2024-04-21

k0s 安装指南

本文介绍如何使用手动方式安装 k0s 集群。

1. 准备环境

首先准备三台机器：

机器角色	机器 IP	操作系统
controller	192.168.0.211	Ubuntu 22.04.4 LTS
worker	192.168.0.212	Ubuntu 22.04.4 LTS
worker	192.168.0.213	Ubuntu 22.04.4 LTS

2024-02-16

【GatesNotes】AI 将彻底改变人们使用电脑的方式翻译

此文是关于比尔盖茨的博文代理的未来：人工智能将彻底改变您使用计算机的方式，并颠覆软件行业的翻译。我觉得这是一篇能让人工智能爱好者热血沸腾的文章。

直到今天，我仍然像当初和保罗·艾伦一起创办微软时一样热爱软件。但是，尽管自那以后的几十年里软件改进了许多，但在很多方面，软件仍然相当笨拙。

在计算机上执行任何任务时，您必须告诉设备要使用哪个应用程序。您可以使用 Microsoft Word 和 Google Docs 起草商业计划书，但它们无法帮助您发送电子邮件，分享自拍，分析数据，安排聚会或购买电影票。即使最好的网站也不能完全了解您的工作、个人生活、兴趣和关系，它们利用这些信息为您做事的能力有限。这种事情今天只能由另一个人来完成，比如密友或个人助理。

在未来五年中，这种情况将发生彻底改变。您不必再为不同的任务使用不同的应用程序。您只需用日常语言告诉设备您要做什么。而且，根据您选择与其共享的信息量，该软件将能够做出个性化响应，因为它将深入了解您的生活。在不久的将来，任何在线的人都能拥有由人工智能驱动的个人助理，其技术将远超当今的技术。

这种称为”agent“（代理）的软件可以响应自然语言，并能够根据其对用户的了解来完成许多不同的任务。近 30 年来，我一直在思考代理的问题，并在 1995 年出版的《未来之路》一书中提到过它们，但由于人工智能的进步，它们直到最近才变得实用。

代理不仅会改变每个人与计算机的交互方式。它们还将颠覆软件行业，带来计算机领域从输入命令转变为点击图标以来最大的革命。

2023-07-24

LLAMA 2 论文翻译与解读

题目

论文名为《LLAMA 2: Open Foundation and Fine-Tuned Chat Models》，该论文发表于 2023-07-19，论文的作者由 68 位来自 GenAI, Meta 的研究人员组成。题目直白的翻译是“LLAMA 2：开源基座以及经过微调的聊天模型”。

摘要

摘要主要介绍本文的主要贡献：

作者团队开发并发布了 LLAMA 2，这是一组经过预训练和微调的大型语言模型(LLM)的集合，其参数范围从 70 亿到 700 亿。本文的微调 LLM 称为 Llama 2-Chat，针对对话用例进行了优化。在大多数基准上，本文的模型优于开源聊天模型，并且基于对有用性和安全性的人类评估，可能是闭源模型的合适替代品。本文详细描述了对 Llama 2-Chat 进行微调和安全改进的方法，以使社区能够以本文的工作为基础，为 LLM 的可靠发展做出贡献。

2023-05-13

Anthropic LLM 论文翻译与解读

此篇博文主要结合原论文和沐神的Anthropic LLM 论文精读【论文精读·51】视频进行翻译与解读。

题目

论文名为《Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback》，该论文发布于 2022-04-12，论文的作者由 31 位来自 Anthropic 的研究人员组成。题目直白的翻译是“通过基于人类反馈的强化学习来训练一个有益无害的助手”。

摘要

摘要开门见山，直接介绍本文采用偏好建模和基于人类反馈的强化学习(RLHF)的来微调语言模型，以充当有益和无害的助手。本文发现，这种对齐训练提高了几乎所有 NLP 评估的性能，并且与 Python 编码和摘要等专业技能的训练完全兼容。接着介绍本文的主要贡献：

本文探索了一种迭代的在线训练模式，其中偏好模型和 RL 策略以每周一次的频率，并且采用最新的人类反馈数据更新，有效地改进了数据集和模型。
Read More

2023-04-01

InstructGPT 论文翻译与解读

此篇博文主要结合原论文和沐神的InstructGPT 论文精读【论文精读·48】视频进行翻译与解读。

题目

论文名为《Training language models to follow instructions with human feedback》，该论文发布于 2022-03-04，论文的作者由 20 位来自 OpenAI 的研究人员组成。题目直白的翻译是“使用人类反馈训练语言模型遵循指令”，大意是通过使用人类反馈来训练语言模型，使其能够更好地遵循用户的指令。